量子科技中心_量科网

尽管分子与材料机器学习领域发展迅猛，但大多数模型仍缺乏物理可迁移性：这些模型专注于拟合整个分子或晶体的相关性，而非学习原子对之间的量子相互作用。然而化学键、电荷重分布、轨道杂化和电子耦合等效应都源于这些双体相互作用——它们定义了多体系统中的局域量子场。该研究团队推出QuantumCanvas这一大规模多模态基准数据集，将双体量子系统作为物质的基本单元。该数据集涵盖2,850种元素组合，每种组合标注有18种电子、热力学和几何特性，并配有十通道图像表征（源自l/m分辨的轨道密度、角向场变换、共占据映射和电荷密度投影）。这些基于物理原理的图像无需显式坐标即可编码空间、角度和静电对称性，为量子学习提供可解释的视觉模态。在18个目标上测试八种架构后，研究团队报告了以下性能：GATv2在能隙预测上达到0.201电子伏特平均绝对误差，EGNN在HOMO和LUMO能级预测上分别取得0.265与0.274电子伏特误差。对于能量相关量，DimeNet实现2.27电子伏特总能量误差和0.132电子伏特排斥能误差，而多模态融合模型在Mermin自由能预测上达到2.15电子伏特误差。在QM9、MD17和CrysMTM等大型数据集上微调时，基于QuantumCanvas的预训练可显著提升收敛稳定性和泛化能力。通过将轨道物理与视觉表征学习相统一，QuantumCanvas为通过视觉-数值耦合模态学习可迁移的量子相互作用提供了原则性强、可解释性强的基础框架。数据集与模型实现详见https://github.com/KurbanIntelligenceLab/QuantumCanvas。